近日，2018级博士生陈林（导师丁晓锋教授）的论文“Differentially Private Deep Learning with Dynamic Privacy Budget Allocation and Adaptive Optimization”被 IEEE Transactions on Information Forensics & Security 期刊录用。

深度学习已大量应用于自动驾驶、智慧医疗和智能电网等物联网场景中，但数据和用户隐私等相关问题可能限制其更广泛的使用。首先，为共同解决隐私和实用性问题，文章将逐层相关性传播与梯度下降相结合以便向梯度中注入适当的噪声。其次，通过对传统的梯度裁剪方法进行改进，将梯度分为若干组以便最小化梯度损失。再次，由于加噪后的梯度导致不确定的下降方向并可能对损失最小化产生不利影响，文章使用NoisyMin算法为每个梯度扰动选择最佳步长。最后，文章还将自适应优化应用于梯度下降过程以改善模型性能。此外，除提高模型实用性外，文章还采用前沿的双曲正切-高斯加噪机制来实现截断集中差分隐私（truncated concentrated differential privacy，tCDP）。为验证所提算法的有效性，文章进行了多项实验，结果表明所提算法能实现更好的模型精度和更高效的计算性能。

IEEE TIFS期刊主要关注信息取证、密码学、系统安全等最新的研究进展和技术，是中国计算机学会（CCF）推荐的A类期刊，影响因子7.231。

（通讯员：陈林）